搜「视频生成模型排行榜」，能看到一堆名次，但很少有人告诉你这些名次是怎么排出来的。你会遇到的情况是：榜单上排前面的模型，自己上手跑一段却不对味，因为评测的题目和你的活根本不是一回事。这篇把站内视频榜的评测维度、数据来源和更新节奏拆开讲，再给一套按自己任务重新筛模型的做法，让你知道榜单能信到什么程度、什么时候不该信。
搜「视频生成模型排行榜」，一屏能翻出好几份名次表，但几乎没有一份会写清名次是怎么排出来的。结果就是榜单上排前面的模型，你自己上手跑一段却不对味——不是榜单造假，而是它评测的题目和你要干的活根本不是一回事。
这篇把站内视频榜的评测维度、数据来源和更新节奏拆开讲，再给一套按自己任务重新筛模型的做法。看完你该知道榜单能信到什么程度、什么情况下不该信，以及拿到一份名次表之后第一步该干什么。
视频榜到底在评什么：先分清四类维度
很多人看榜单只盯一个总分，这是最容易踩坑的地方。视频生成至少牵扯四类互不相干的维度，混在一张表里看，等于拿麻辣烫的评分去选寿司店。先把维度拆开，你才知道自己该看哪一列。
| 维度类别 | 具体看什么 | 偏主观还是客观 |
|---|---|---|
| 画质与稳定 | 画面清晰度、崩坏概率、多次生成的一致性 | 主观偏多，靠交叉打分 |
| 指令遵循 | 提示词里的人物、动作、镜头、风格有没有被还原 | 主观偏多，靠对照样片 |
| 运动与一致性 | 镜头运动是否自然、主体在时间轴上是否走形 | 主观偏多，靠逐帧看 |
| 工程可用性 | 输出时长、分辨率、有没有水印、能否商用、排队与限流 | 客观为主，能直接验证 |
画质和一致性这类主观项，站内是多人在不同时段交叉打分，不是一个人拍脑袋定的；具体打分口径和样本量到 评分规则 核对当时的说明。工程可用性这类客观项跟画质基本无关，但它直接决定你能不能把成片交出去，别跟画质混成一个总分来看。
分数从哪来：自评、众测与实测三条来源
榜单上的每个分数背后都有来源。来源不同，可信度差得很远。站内视频榜的数据主要来自三条线，看榜单时先问一句「这个分是哪条线来的」，比看名次本身有用。
- 自评来源
- 各家自己放出的样片和 demo，挑的是最好的一次，只能用来确认能力上限，不能当基准。
- 众测来源
- 多人、多时段、交叉验证，降低单次运气成分，方法说明见众测雷达页面。
- 实测来源
- 用固定提示词横向跑多家模型，对照同一输入下的输出差异，属于可控对照。
众测的具体组织方式在 众测雷达 里有说明，实测的跑法和提示词集在 鹈鹕基准工具 里有入口，想看当时的模型名单和分数到 AI 测评榜单 核对。
三条来源结论打架时，处理顺序是：先信实测，再看众测，自评只当参考。因为自评天然挑过样本，众测受参与人群影响，只有实测是同一输入下的直接对照。少数情况下众测更可靠——比如你要评的是「普通用户第一眼观感」，那众测的人群偏好反而更贴近真实。
怎么读榜单：三步把排名换成自己的候选
榜单的正确用法不是「照着名次下单」，而是「用名次缩小候选范围」。下面三步是能直接照做的动作，顺序别调。
- 先划硬门槛把你自己的硬性要求列出来——需要的时长、分辨率、是否必须无水印、能不能商用。不达标的模型直接从名单里删掉，这一步跟排名无关。
- 拿真实提示词试跑从你实际任务里挑一条最有代表性的提示词，去剩下的 2 到 3 个候选模型各跑一遍。比较的标准是「这条能不能直接用」，不是分数谁高。
- 对齐成本口径视频模型有的按条计价、有的按秒计价，直接把报价数字放一起比会失真。把口径对齐后再算单位成本，官方价目到 官方 API 价格 核对，模型能力说明到 多模态模型 页看。
这套流程会让你经常选出一个「榜单上不是第一」的模型，这很正常，因为你的任务不是榜单的题目。反过来也有不适用的时候：如果你在赶工期、只出一版素材交差，那就先按速度和稳定性挑，画质项往后放，这时候榜单的速度相关列反而更值得看。
榜单多久更新一次，什么时候会动
榜单不是一次性排完就锁死的。常规做法是按固定周期重跑一遍，遇到模型上新、价格调整或通道异常时再临时补一轮。具体多久一更新、上次什么时候动的，看页面上的更新时间戳，别记别人的口述。
- 名次小范围浮动：多半是补数据或样本扩充，口径没变，不用换工具。
- 名次大幅变动：通常来自两类事——新模型进场，或者原有模型改了默认参数、限流策略、输出水印。
- 看到某家掉分，先去价格变动追踪确认是不是计费口径变了，再去 AI 服务监控看是不是通道本身在抖。
- 更新说明里会写这次改了什么口径；没写口径变化，基本就是纯补数据。
判断「能力变了」还是「只是通道状态变了」，去 价格变动追踪 和 AI 服务监控 两个页面交叉看一遍，比在群里问人快得多。
榜单的三个盲区，别拿它当判决书
就算评测流程做得再规范，榜单也有它天生覆盖不到的地方。知道盲区在哪，比记住名次更有用。
- 盲区一，题目饱和：榜单常用的那批提示词被反复刷过之后，区分度会下降，新旧模型拉不开差距，方法说明可参考站内测评榜单页。
- 盲区二，任务不匹配：榜单测的是通用题材，你做的是口播、产品特写或固定风格，结论未必能迁到你这边。
- 盲区三，单次结果骗人：生成类模型同一个提示词跑两次结果可能差很远，一次跑赢不代表稳定赢，要跑几轮看波动。
所以正确用法是两句话：榜单用来缩候选，真实任务用来定结论，两者不能互相替代。如果你把榜单名次当成最终判决书，就容易被一次运气好的输出带偏。
榜单告诉你谁在标准题目上表现好，你的任务是判断那道标准题跟你手上的活有多像。下一步先看榜单当时的更新时间戳和口径说明，再拿你自己的一条真实提示词去试跑候选模型，两边对完再决定用谁。→
常见问题
榜单上排前面的模型，我用起来为什么感觉一般？
多半是任务不匹配。榜单测的是通用题材和通用提示词，你用的是固定风格、固定时长或有明确交付格式的活。正确做法是拿榜单把候选缩到两三个，再用自己真实的一条提示词各跑几轮，按能不能直接交付来定，而不是按名次定。
视频模型排名会经常变吗，我该多久看一次？
常规是固定周期重跑，遇到模型上新或价格与限流调整会补充更新，页面上的更新时间戳是唯一可靠依据。如果你正处在选型阶段，建议每次动手前看一眼；已经在稳定产出、现有模型没出问题的，不必频繁跟榜。
自评样片和众测分数打架时信哪个？
信众测，再看实测。自评样片是各家从多次生成里挑出最好的一次，反映的是能力上限而不是平均水平；众测是多人在多时段交叉打分，能压低运气成分。如果两者差距很大，说明这个模型的上限高但稳定性差，做批量交付要谨慎。
